光伏系统发电功率预测方法技术方案

本发明专利技术公开光伏系统发电功率预测方法，充分考虑引发光伏系统输出功率波动性和间歇性的因素，给BP神经网络、反馈型神经网络、混沌自适应粒子群算法与反馈型神经网络相结合的三种方式建立预测模型，并给出最优选的实现方式，实现收敛速度更快、稳定性更好、预测结果更精确，从而将对电力系统性能的负面影响降到最小。

【技术实现步骤摘要】

本专利技术涉及光伏领域，具体涉及。
技术介绍
光伏发电系统受光照强度和环境温度等因素的影响，其输出功率的变化具有不确定性和随机性，不利于电网调度部门安排常规电源和光伏发电的协调配合。因此，需提出，减少光伏发电随机性对电力系统的影响，提高系统安全性和稳定性。
技术实现思路
本专利技术提供，解决光伏系统中因缺乏对发电功率的预测，导致影响电力系统性能的问题。本专利技术通过以下技术方案解决上述问题:，根据光伏系统的输出功率具有的波动性、间歇性和周期性的特点，按季节建立4个预测子模型;在每个预测子模型中，输入端均设置14个变量，输出端均设置12个节点；确定隐含层节点，进行神经网络学习以及样本预处理;建立预测模型。上述方案中，所述运用BP神经网络的方式建立预测模型的步骤为:I)给定输入向量和目标输出；2)求出隐含层、输出层各节点数输出；3)求目标值和实际输出的偏差；4)计算出反向误差；5)权值阈值学习；6)若本次学习结束，则本算法结束，否则，执行步骤2)。上述方案中，所述运用反馈型神经网络的方式建立预测模型的步骤为:I)给走输入向莖和目标输出；2)求隐含层各节点数输出；3)求成阶层各节点数输出，执行步骤2)，或求目标值和实际输出偏差；4)计算反向误差；5)权值阈值学习；6)若本次学习结束，则本算法结束，否则，执行步骤2)。上述方案中，所述运用混沌自适应粒子群算法与反馈型神经网络相结合的方式建立预测模型的步骤为:I)设定反馈型神经网络的输入层、隐含层、输出层的神经元个数，将RNN中各个神经元之间的权值和阈值编码成实数串表示的个体；2)设置混沌自适应粒子群算法的初始化参数和终止条件。利用混沌自适应粒子群算法寻找全局寻最优的反馈型神经网络的权值和阈值；3)采用混沌优化算法初始化粒子群中各粒子的位置和速度；4)计算各个粒子的惯性权重系数，更新各粒子的速度和位置；5)计算各粒子的适应度值，若每个粒子的当前适应值优于局部最优值，则更新局部最优值，若优于全局最优值，则更新全局最优值；6)计算粒子的平均粒距，如果D(t)小于预设阈值，则说明粒子陷入早熟;在原解空间对每一个可行解计算其适应值并选出每个粒子最优解，使得粒子跳出局部最优的同时增加了种群多样性；7)用每个粒子最优解取代当前群体中最差粒子的位置，若每个粒子最优解中存在适应值由于全部极值的粒子，则替代全局极值点；8)若终止条件，执行步骤9)，否则执行步骤4);9)输出全局最优解及其适应值；10)利用优化结果构建反馈型神经网络，借助其无穷逼近能力和强大局部搜索能力，得到最优预测模型。上述方案中，运用BP神经网络、反馈型神经网络、混沌自适应粒子群算法与反馈型神经网络相结合的三种方式之一建立预测模型。本专利技术的优点与效果是:充分考虑引发光伏系统输出功率波动性和间歇性的因素，给BP神经网络、反馈型神经网络、混沌自适应粒子群算法与反馈型神经网络相结合的三种方式建立预测模型，并给出最优选的实现方式，实现收敛速度更快、稳定性更好、预测结果更精确，从而将对电力系统性能的负面影响降到最小。【具体实施方式】以下结合实施例对本专利技术作进一步说明，但本专利技术并不局限于这些实施例。光伏系统的输出功率具有波动性和间歇性与太阳光照强度、光伏阵列的安装角度、太阳入射角度、转换效率、温度、大气压强以及其它一些随机因素有关。光伏系统发电功率的时间序列本身具有高度自相关性，在光伏发电系统的历史发电功率时间序列中，所有光伏发电输出功率历史数据均来自于同一套光伏发电系统，这些数据自身包含了光伏阵列的信息，解决了光伏阵列的安装位置、安装角度和光伏阵列的使用时间等对转换效率的影响。因此，采用历史发电功率数据训练神经网络预测模型，进而直接预测未来的光伏输出功率的预测方法，比光伏发电的间接预测法更加准确。光伏系统发电功率曲线与光照强度曲线的变化规律具有相似性，其变化趋势总体上映射了光照强度的变化，即光照强度的影响可在发电功率中得到体现。以光伏系统发电功率的力数数据作为预测模型的输入量，能得到更准确的预测结果。光伏系统输出功率除了具有不确定性外，还具有周期性。一般光伏系统主要工作在7:00-18:00。同样是晴天，日发电功率会略有不同，但是发电功率曲线的变化规律相似；阴天和雨天的发电功率，日类型不同，光伏系统的发电功率差距很大。将光伏系统的历史数据根据日类型的特点分类为晴天、阴天、多云和雨天，有助于提高预测精度。光伏历史发电数据映射出的发电功率曲线的形状与日类型相关，而相同日类型情况下的气温变化将映射曲线高度的细微变化。预测模型的输入变量中需要考虑大气温度，减少输入的不确定性影响。在相同日类型的情况下，日平均温度较高时，日均输出功率也较大。同时，季节因素对光伏系统发电功率的影响也很大，这主要是由于太阳入射角度、光照强度和气候环境的差异引起。按季节建立四个子模型，各子模型按照日类型进行分类;子模型的输入量为14个，分别为预测日的前一日7:00-18:00的12个时刻的发电功率，再加上前一日和预测日的平均温度。模型预测的是次日7:00-18:00的12个发电时间序列的输出功率；运用经验公式确定隐含节点的数量，再通过不断地调试不同的网络模型结构，进而得到隐含层节点个数；训练中预先设置初始化的隐含层节点个数，然后以一定数量的历史数据作为训练集，对网络进行训练;另一部分作为测试集，对训练好的网络进行测试。测试的目的主要是检测网络的泛化能力；利用线性回归法对不同的网络结构进行分析比较，网络输出与目标输出的相关系数越接近I，网络性能越好；本专利技术运用到的神经网络学习算法为自适应学习速率动量法，自适应学习速率动量法是将附加动量法和自适应学习速率法相结合，在训练过程中使学习速率根据局部误差曲面不断做出调整，以得到比定学习速率更好的收敛特性，在原梯度下降算法的基础上引入动量系数，使同一梯度方向上的权值修正量增加，加速修正速度。影响光伏系统发电功率预测的因素主要是历史发电功率数据和天气数据。为提高预测精度，需要对输入的历史发电功率数据和温度数据进行筛选，剔除奇异数据。同时，为了避免神经元出现饱和现象，对网络训练的输入、输出发电功率数据进行归一化处理。用隶属度函数对温度进行模糊化处理，转化为模糊量，进而提高预测精度。建立预测模型的方式为:BP神经网络、反馈型神经网络、混沌自适应粒子群算法与反馈型神经网络相结合。本专利技术中，优选的预测方法为将混沌自适应粒子群算法与反馈型神经网络相结合。基于BP神经网络建立预测模型，是指基于误差反向传播算法的多层前馈神经网络，主要包括网络学习的正向传播和误差的反向传播。BP神经网络具有强大的非线性映射能力，通过训练样本使网络学习和储存大量的输入、输出映射关系；同时该网络还具有较好的泛化能力。这两种特性正好适用于受自然环境影响大、随机性大的光伏系统发电功率预测。BP神经网络的输入层节点是14个，输出层节点12个，各层网络的训练函数自适应学习速率动量法。隐含层节点个数通过网络结构的综合评价指标决定，具有良好的网络泛化能力，回归分析相关系数当前第1页1 2 本文档来自技高网...

【技术保护点】
光伏系统发电功率预测方法，其特征在于：根据光伏系统的输出功率具有的波动性、间歇性和周期性的特点，按季节建立4个预测子模型；在每个预测子模型中，输入端均设置14个变量，输出端均设置12个节点；确定隐含层节点，进行神经网络学习以及样本预处理；建立预测模型。

【技术特征摘要】

【专利技术属性】
技术研发人员：胡国旺，
申请(专利权)人：胡国旺，
类型：发明
国别省市：广西;45